基于脑磁图数据的机器学习产生可泛化的低维神经指纹，以区分不同任务条件下的个体

《Human Brain Mapping》：Machine Learning on Magnetoencephalography Data Yields Generalizable Low-Dimensional Neural Fingerprints That Distinguish Individuals Across Task Conditions

　　

个体大脑在结构和功能上是独特的。功能差异由神经指纹（neural fingerprints）捕捉，这些指纹反映了行为和认知方面的个体差异，以及与神经退行性疾病相关的群体水平变化。迄今为止，大多数研究努力都集中在包含完整功能连接组（functional connectomes）的指纹上。然而，连接组的高维度会增加计算负载并阻碍机器学习方法在潜在应用中的性能。因此，保留完整连接组个体特征的低维替代方案将是有益的。本研究采用潜在噪声贝叶斯降秩回归（latent-noise Bayesian Reduced Rank Regression, lnBRRR）来学习低维潜在空间，这些空间捕捉来自脑磁图（MEG）记录的功能连接（functional connectivity, FC）和功率谱密度（power spectral density, PSD）数据中的个体特征。研究人员使用较小的训练集规模（N=20-44）评估了lnBRRR的性能，并与主成分分析（principal component analysis, PCA）和线性判别分析（linear discriminant analysis, LDA）进行了比较。还使用任务数据评估了模型性能，并通过余弦相似度（cosine similarity）在任务条件之间比较了解，以确定个体特征是否因不同的认知过程而改变。LnBRRR在N=20时已经捕捉到可泛化的个体模式，但需要N=30-35才能达到最佳测试准确度并防止潜在的过拟合。该模型也达到了与替代模型相当的性能。从任务数据中得出的潜在指纹达到了与静息态潜在指纹相当的性能，并且lnBRRR的解被证明可以在不同条件之间泛化。此外，研究人员发现，功率谱密度数据的模型解在不同任务条件下显著相似，但旋转方式不同，这表明无论任务条件如何，模型都捕捉到了类似的个体特征模式。总而言之，本研究结果强调了lnBRRR作为神经影像数据分析潜在工具的价值，并表明功率谱密度的个体差异在很大程度上是内在的，且不受不同认知过程的影响。

**论文解读**

**研究背景与问题**
个体大脑在结构和功能上具有独特性，这种独特性可通过神经指纹（neural fingerprints）来捕捉，这些指纹反映了行为与认知的个体差异，以及与神经退行性疾病相关的群体变化。既往研究大多基于完整功能连接组（functional connectomes）构建指纹，但连接组的高维特性增加了计算负担，并可能阻碍机器学习方法在实际应用中的性能。因此，迫切需要一种既能保留完整连接组个体特征、又具有低维度的替代方案。本研究旨在探索潜在噪声贝叶斯降秩回归（lnBRRR）在脑磁图（MEG）数据中学习低维潜在空间的能力，以生成可泛化的神经指纹，并评估其在不同任务条件下的稳定性与推广性。该论文发表在《Human Brain Mapping》。

**关键技术与方法**
研究人员采用HCP（Human Connectome Project）MEG数据集，包括静息态（N=87）、工作记忆任务（N=74）和故事-数学任务（N=75）记录。数据经源定位（LCMV波束成形）后，将源估计信号聚类至116个AAL模板感兴趣区（ROI），并排除深部皮层下区域、小脑及眼区附近的ROI。功能连接指标包括锁相值（PLV）、虚部锁相值（iPLV）、相位线性测量（PLM）和振幅包络相关（AEC），计算于六个频段（Delta 2–4 Hz, Theta 4–8 Hz, Alpha 8–13 Hz, Low beta 13–20 Hz, High beta 20–30 Hz, Gamma 30–45 Hz）。功率谱密度（PSD）采用Welch方法计算，以21个频率箱的平均功率作为特征。lnBRRR模型以个体标识为自变量，学习10维潜在空间，并使用Gibbs采样进行训练，超参数固定。模型性能通过潜在空间中的余弦距离识别个体准确率进行评估，并与主成分分析（PCA）和线性判别分析（LDA）比较。

**研究结果**

**3.1 lnBRRR在低训练集规模下保持识别性能并发现部分可重复的潜在功率谱模式**
研究人员训练lnBRRR于训练集N=20–44，发现功率谱密度（PSD）测试准确率在N=20时已稳定，而PLV测试准确率在N<30时下降。N=30–35时训练和测试准确率均达到平台期，防止过拟合。模型解在PSD上具有部分可重复性：N=20时仅一个相似分量，N=43–44时增至3–4个相似分量，而PLV解在不同训练集间始终不相似。

**3.2 lnBRRR性能与PCA和LDA相当**
在PSD和四种功能连接指标上，lnBRRR的测试准确率与PCA和LDA无显著差异（Friedman检验，χ_F²=1.032，p=0.597）。PLV在alpha、beta、gamma频段达到约0.8–0.9的准确率，PSD为0.83±0.035。与完整数据相比，lnBRRR的10维潜在空间准确率显著低于完整数据（p_F<8.70×10^-16），但接近完整数据性能。

**3.3 来自任务数据的lnBRRR解可泛化到未见个体和跨任务条件**
在工作记忆、故事和数学任务中，lnBRRR的识别表现与静息态相当（Friedman检验，χ_F²=5.870，不显著）。跨条件识别显示，所有任务模型（PLV alpha/beta/gamma及PSD）在静息态数据上获得高准确率（约0.8–0.93），且与静息态模型无显著差异（后验Nemenyi检验，p_N>0.05）。

**3.4 旋转对齐揭示功率谱lnBRRR解在任务间高度相似**
在旋转对齐前，PSD模型解在不同任务间缺乏相似性；经正交Procrustes旋转后，静息态与工作记忆的模型解共享5–9个相似分量（余弦相似度≥0.85），故事与数学任务间也高度相似。PLV模型解在旋转后仍不相似。

**3.5 lnBRRR权重可揭示区分个体的空间频谱模式**
对前三个未旋转分量的探索性可视化显示，PSD权重主要集中于脑区而非特定频率箱，且在所有任务条件下，成分1对比额叶/颞叶与顶叶/枕叶，成分2类似但更可变，成分3突出扣带回（除故事任务外）。这表明个体间存在可被lnBRRR利用的额叶-后部功率平衡差异。

**讨论与结论**
讨论部分指出，lnBRRR在低样本量（N=30–35）下即可获得稳定的泛化性能，且PSD的潜在个体模式在不同任务条件下高度相似但旋转不同，说明功率谱密度的个体差异主要源于内在特征，不受认知过程影响。与PCA和LDA相比，lnBRRR在多自变量建模和噪声中捕捉弱效应方面具有优势。结论部分翻译如下：

**结论**
总而言之，本研究显示lnBRRR能够学习低维潜在空间，基于MEG功能连接和功率谱指标区分个体。该模型在低样本量（N=20–44）下成功生成可泛化的潜在空间，并通过功率谱密度学习到部分可重复的潜在个体模式。在低样本量下的可行性使lnBRRR成为神经影像数据分析的有力工具，但低样本量结果不宜过度推广至训练样本之外。从任务数据中导出的潜在空间区分个体的能力与静息态潜在空间相当，且lnBRRR潜在解在任务条件之间具有泛化性。功率谱潜在个体模式在不同任务条件下大体相似，这解释了lnBRRR解在条件间泛化良好的原因，并支持了lnBRRR捕捉到个体间变异最大的神经生理现象的观点。总之，本研究结果表明个体功率谱特征在很大程度上是内在的，且不受不同认知过程的影响。